Model dan tata kelola risiko adalah proses di mana model dianggap memadai oleh semua kelompok pemangku kepentingan. Proses Anda mungkin mencakup antara lain validasi model, pemantauan model, standar keamanan dan kepatuhan, proses dukungan, cakupan risiko, panduan operasi, panduan pengguna, dan lainnya.
Sebagai pemilik framework risiko, artefak berikut memberi Anda referensi yang berguna untuk mengintegrasikan AML AI ke dalam lanskap manajemen risiko Anda secara keseluruhan. AML AI memberikan kontribusi dokumentasi yang relevan dengan model dan tata kelola risiko, serta berbagai output dari penyesuaian, pelatihan, dan evaluasi model AML AI Anda.
Dokumentasi tata kelola risiko dan model
Rangkaian dokumentasi konsep berikut, yang tersedia atas permintaan untuk pelanggan AML AI, berfungsi sebagai artefak tata kelola dalam manajemen risiko dan model AI/ML serta framework tata kelola risiko secara keseluruhan:
- Arsitektur model: Menjelaskan arsitektur model tertentu yang digunakan untuk AML AI guna menghitung skor risiko.
- Metodologi pelabelan: Menjelaskan pendekatan yang digunakan untuk menentukan contoh pelatihan berlabel untuk penyesuaian, pelatihan, dan pengujian kembali model AML AI.
- Metodologi pelatihan model: Menjelaskan pendekatan pelatihan dan validasi untuk model AML AI.
- Metodologi penyesuaian model: Menjelaskan proses yang digunakan AML AI untuk mengoptimalkan hyperparameter model berdasarkan data Anda.
- Metodologi evaluasi model: Menjelaskan metrik yang digunakan untuk evaluasi dan backtesting model.
- Ringkasan kelompok fitur: Menjelaskan kelompok fitur yang didukung dan cara penggunaannya untuk penjelasan (dan di tempat lain) di AML AI.
- Skema tipologi risiko: Menjelaskan bagaimana AML AI mendukung tipologi risiko dan metodologi yang digunakan untuk menunjukkan cakupan.
- Kebijakan dukungan dan stabilitas versi mesin: Menjelaskan hal yang berubah dan tidak berubah antara versi mesin AML AI, dan berapa lama setiap versi mesin didukung untuk berbagai operasi.
Model output sebagai artefak tata kelola
Artefak berikut dihasilkan sebagai output oleh operasi AML AI reguler:
- Kualitas model
- Output konfigurasi mesin menyertakan penarikan yang diharapkan (sebelum dan sesudah penyesuaian) yang diambil dalam metadata konfigurasi mesin.
- Hasil backtest memungkinkan Anda mengukur performa model terlatih pada serangkaian contoh yang tidak disertakan dalam pelatihan.
- Kualitas data
- Output ketiadaan menunjukkan pangsa nilai yang hilang per kelompok fitur dalam set data yang digunakan untuk penyesuaian, pelatihan, pengujian ulang, dan prediksi. Perubahan yang signifikan dapat mengindikasikan inkonsistensi pada data dasar Anda yang dapat memengaruhi performa model.
- Error validasi data mencegah penyelesaian operasi AML AI, sehingga agar berhasil menghasilkan model dan prediksi, Anda harus menyelesaikan error ini.
- Hasil prediksi
- Skor risiko bervariasi dari 0 hingga 1, dan dalam rentang ini, skor yang lebih tinggi menunjukkan risiko yang lebih tinggi bagi pihak yang diprediksi untuk bulan yang diprediksi. Skor risiko tidak boleh ditafsirkan secara langsung sebagai probabilitas aktivitas pencucian uang, atau keberhasilan kemungkinan penyelidikan.
- Output AI yang dapat dijelaskan meningkatkan skor risiko tinggi dengan skor atribusi yang menunjukkan kontribusi setiap kelompok fitur terhadap skor risiko.
- Operasi yang berjalan lama (LRO) memungkinkan Anda melacak semua proses AI AML yang digunakan dalam persiapan dan prediksi model. Untuk informasi selengkapnya, lihat Mengelola operasi yang berjalan lama.